Introdução

O processamento de dados é uma tarefa importante a ser realizada na ciência. Após os dados serem coletados, é preciso tratar esses dados de maneira sistemática para extrair informações úteis. O processamento de dados é um processo dinâmico, com o objetivo de ordenar, classificar ou efeturar transformações para obter resultados que possam ser mais facilmente interpretados ou usados em outras análises estatísticas.

Essa organização e reorganização dos conjuntos de dados normalmente é realizada em programas do tipo editor de planilhas, entretanto o processamento e manipulação de dados também pode ser realizadas no ambiente R. Neste, o processamento pode ser realizado de uma maneira eficiente, aproveitando das demais ferramentas estatísticas e gráficas do ambiente.

O pacote dplyr é um pacote de processamento e manipulação de dados. O pacote implementa funções que são, em certo modo, redundante com as funções básicas (pacote base) do R, mas oferece um conjunto de funções desenvolvidas para ajudar a resolver os problemas mais comuns enfrentados no processamento de dados. Ainda, o pacote utiliza uma forma gramatical da manipulação dos dados, devido a sua forma mais gramatical seu uso é otimizado no RStudio em função dos recursos de autocomplemento.

Este texto aborda os aspectos básicos do pacote dplyr. O pacote está inserido em um conjunto maiores de pacotes chamado tidyverse, pacotes que seguem uma lógica similar, como por exemplo magrittr, ggplot2 e tibble. O tutorial requer conhecimento básico sobre R, neste os código são apenas brevemente comentados sendo que a ideia é que o leitor seja capaz de reproduzir os comandos aqui contidos, e busque mais informações sobre os argumentos extras nas páginas de ajuda de cada função.

O texto está dividido em três partes: apresentação dos dados utilizados como exemplo, os operadores de encadeamento e processamento de dados. Ainda, no final do texto, é apresentado um guia de ajuda rápida mostrando as principais funções e operadores apresentados aqui.

Tabelas de dados

O dplyr é focado no processamento de dados em data.frames. Os data.frames são tabelas que armazenam um ou mais vetores de dados, que como características elas possuem duas dimensões, linhas e colunas. Cada coluna, será um vetor, podendo portando armazenar vetores de diferentes tipos (numeric, character, logical ou factor). Pressupoe-se que cada variável esteja na sua própria coluna, que cada observação/registro esteja na sua própria linha e que todas as células estejam preenchidas. O precessamento de dados usando dplyr preserva automaticamente a estrutura geral do data.frame conforme as linhas ou colunas são manipuladas.

Dados de exemplo

Nesse tutorial os dados de exemplo são provenientes de Wohlschag (1957) sendo estes medidas metabólicas feitas em indivíduos de peixes das espécies Coregonus sardinella e C. autumnalis em dois ambientes: Elson Lagoon (marinho) e Ikroavik Lake (água doce).

Variávels inclúidas (colunas):
- Especie (C.sardinella ou C.autumnalis);
- Ambiente (Marinho ou A.doce);
- ConsumoO2 (Consumo de O2 em mg);
- Massa (g);
- ConsumoO2Kg (mg O2 consumido/hora/kg);
- Rotacao (R.P.M.);
- Temperatura (Celsius).

Os dados podem ser baixados em github.com/vanderleidebastiani/tutoriais.

# Carregar dados
# dados <- read.csv("Metabolismo_Coregonus.csv", header = TRUE)
urlRemote  <- "https://raw.githubusercontent.com/"
pathGithub <- "vanderleidebastiani/tutoriais/master/Dados/"
fileName   <- "Metabolismo_Coregonus.csv"
dados <- read.csv(paste0(urlRemote, pathGithub, fileName), header = TRUE)

dados
        Especie Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
1  C.sardinella  Marinho    38.868   320       2.084     0.0         6.7
2  C.sardinella  Marinho    24.882   109       2.358    12.5        10.8
3  C.sardinella  Marinho    29.292   143       2.311     4.5        10.3
4  C.sardinella  Marinho    45.618   225       2.307     6.0        10.3
5  C.sardinella  Marinho    35.694   174       2.312     6.0         8.9
6  C.sardinella  Marinho    38.976   188       2.317     3.5         8.9
7  C.sardinella  Marinho    33.498   143       2.370     0.0         9.4
8  C.sardinella  Marinho    31.524   104       2.482     5.0         9.4
9  C.sardinella   A.doce    20.196   138       2.165     1.0         9.2
10 C.sardinella   A.doce    39.690   365       2.036     4.0         9.2
11 C.sardinella   A.doce    25.812   140       2.266     8.0        10.8
12 C.sardinella   A.doce    37.404   183       2.310    10.0        10.6
13 C.sardinella   A.doce    33.396   221       2.179     5.0         9.4
14 C.sardinella   A.doce    29.100   204       2.154     7.0         9.4
15 C.sardinella   A.doce    36.654   256       2.156     5.5         9.7
16 C.sardinella   A.doce    11.016   135       1.912     2.0         9.7
17 C.sardinella   A.doce    20.340   180       2.053     5.0         9.4
18 C.sardinella   A.doce    41.616   362       2.061     5.0         8.3
19 C.sardinella   A.doce    27.858   231       2.081     3.0         8.9
20 C.sardinella   A.doce    30.546   216       2.151     2.5         8.9
21 C.sardinella   A.doce    16.758   129       2.114     7.5         9.2
22 C.sardinella   A.doce    25.320   129       2.293     7.0         9.2
23 C.autumnalis  Marinho    36.852   157       2.371     0.0         7.2
24 C.autumnalis  Marinho    13.494   124       2.037     0.0         7.2
25 C.autumnalis  Marinho    24.648   130       2.278     0.0         6.7
26 C.autumnalis  Marinho    32.274   234       2.140     5.0         7.2

Encadeamento

%>% - Encadeamento (pipe)

A estutura padrão dos códigos R tende a produzir funções aninhadas. O operador de encadeamento, no inglês pipe, implementado no pacote magrittr, altera a estrutura padrão das funções. O operador %>% encaminhara um objeto (valor ou resultado) para a próxima função. No RStudio o operador pode ser acessado pelo atalho pelo CTR + SHIFT + M no Windows e pelo atalho CMD + SHIFT + M no macOS.

Fluxograma pipe.

Figura 1: Fluxograma pipe.

Por exemplo, para calcular o logaritmo de um valor:

Por padrão usando o operador pipe o objeto passado pelo operador sempre será o primeiro argumento. Para alterar esse comportamento é preciso sinalizar com “.” o argumento que o operador pipe está passando.

A principal vantagem do operador pipe é gerar essa sequência de processos encadeados, onde a saída de uma função é utilizada como entrada de uma função seguinte. O operador tem como utilizadade evitar o uso de funções aninhadas, minimizar a necessidade de variáveis locais (temporárias) e permitir a adição (ou supressão) de etapas em qualquer parte do código. O operador pipe pode ser usado com qualquer função, mas tem uso preferencial no processamento de dados usando o pacote dplyr, uma vez que normalmente são realizadas várias tarefas em sequência, como selecionar variáveis, filtrar linhas ou aplicar transformações nas variáveis. Por outro lado, como um ponto negativo, o operador não funciona muito bem quando vários objetos estão envolvidos, tanto de entradas quanto de saídas de resultados.

Outras funções do pacote magrittr

%$% - Selecionar a variável de interesse

Muitas funções como por exemplo boxplot() e lm() permitem selecionar as variáveis pelos nomes das colunas usando o argumento data, entretando o argumento data não está disponível em todas as funções. Usando o operador %$% é possível selecionar as variáveis pelo nome sem usar a função attach().

%T>% - Abrir braço no fluxo de encadeamento

O operador %T>% permite criar uma espécie de braço da sequência de encadeamento para canalizar os resultados para uma função mantendo o resultado original. Esse operador é útil quando aplicado a uma função para visualizar os resultados antes de terminar a sequência pipe, como por exemplo nas funções plot() ou print().

   Especie             Ambiente    ConsumoO2         Massa        ConsumoO2kg   
 Length:26          A.doce :14   Min.   :11.02   Min.   :104.0   Min.   :1.912  
 Class :character   Marinho:12   1st Qu.:24.99   1st Qu.:135.8   1st Qu.:2.091  
 Mode  :character                Median :31.04   Median :177.0   Median :2.172  
                                 Mean   :30.05   Mean   :190.0   Mean   :2.204  
                                 3rd Qu.:36.80   3rd Qu.:224.0   3rd Qu.:2.311  
                                 Max.   :45.62   Max.   :365.0   Max.   :2.482  
    Rotacao        Temperatura    
 Min.   : 0.000   Min.   : 6.700  
 1st Qu.: 2.125   1st Qu.: 8.900  
 Median : 5.000   Median : 9.200  
 Mean   : 4.423   Mean   : 9.035  
 3rd Qu.: 6.000   3rd Qu.: 9.625  
 Max.   :12.500   Max.   :10.800

Processamento de dados usando dplyr

No processamento básico de dados os principais objetivos são filtrar ou selecionar conjuntos de registros e variáveis, gerar novas variáveis a partir de variáveis existentes, bem como ordenar e aplicar estatísticas descritivas. O pacote dplyr conta com várias funções, com descate as apresentadas abaixo:

  • filter() - Filtrar os observações/registros com base em seus valores;
  • select() - Selecionar variáveis com base em seus nomes;
  • mutate() - Adicionar novas variáveis que são funções de variáveis existentes;
  • arrange() - Alterar a ordem das linhas;
  • group_by() - Agrupar registros para aplicar funções por grupos;
  • summarise() - Reduzir vários valores para um estátisticas descritivas.

No pacote dplyr a maioria das funções tem como primeiro argumento o data.frame (argumentos .data ou .tbl) com os dados. Essa padronização dos argumentos das funções facilita o uso do operador pipe. Nesse tutorial o objeto contendo os dados é sempre passado usando o operador pipe, mas as funções também poderiam ser executadas de maneira convencional.

Tabelas de dados (tibble)

Os tibbles, classe tbl_df, são reimplementação dos data.frame feitas pelo pacote tibble. Nesta classe, o processamento não altera os nomes ou tipos de variáveis, não fazem correspondência parcial das variáveis e reclamam quando uma variável não existe. Os tibbles também têm um método print() próprio, sendo fáceis de usar com grandes conjuntos de dados já que apenas as primeiras linhas e colunas são mostradas. O método print(), de mandeira complementar, tambén mostra um resumo da quantidade de linhas e colunas das tabelas de dados e o tipo de cada variável.

Várias funções do pacote dplyr retornam data.frame, mas algumas delas retornam apenas tibble, entretanto é possível converter-los usando as funções as.tbl e as.data.frame.

Variações das funções e seleção de variáveis

A maioria das funções do pacote dplyr possui variáções gramaticais. Essas variações são usadas para aplicar as funções principais a conjuntos de variáveis da tabela de acordo com alguns critérios. As variações seguem o mesmo padrão entre todas as funções, tendo como sufixo:

  • _all - Aplicam ou forçam a aplicação em todas as variáveis da tabela;
  • _if - Aplicam as funções condicionada as variáveis (definidas pelo argumento .predicate). Geralmente usada em conjunto com as funções is.numeric, as.factor, …;
  • _at - Aplicam as funções a algumas variáveis selecionadas (definidas pelo argumento .vars).

A seleção de variáveis da tabela também pode ser feita de maneira gramatical usando a função vars() ou funções auxiliares.

filter() - Filtrar linhas

A função filter() permite filtrar linhas, que contêm as observações/registros, com base em seus valores, já a função slice() permite selecionar observações com base na posição das linhas na tabela.

slice() - Filtrar linhas usando posição

filter() - Filtrar linhas usando critérios lógicos

# Filtrar usando critério lógico aplicado a uma variável ...
dados %>% filter(Temperatura>10)
# A tibble: 5 x 7
  Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
  <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
1 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
2 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
3 C.sardinella Marinho       45.6   225        2.31     6          10.3
4 C.sardinella A.doce        25.8   140        2.27     8          10.8
5 C.sardinella A.doce        37.4   183        2.31    10          10.6

# ... ou aplicado à várias variáveis
dados %>% filter(Temperatura>10 & Ambiente == "Marinho")
# A tibble: 3 x 7
  Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
  <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
1 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
2 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
3 C.sardinella Marinho       45.6   225        2.31     6          10.3

# Filtrar usando função between
dados %>% filter(between(Temperatura, left = 9, right = 10))
# A tibble: 11 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       33.5   143        2.37     0           9.4
 2 C.sardinella Marinho       31.5   104        2.48     5           9.4
 3 C.sardinella A.doce        20.2   138        2.16     1           9.2
 4 C.sardinella A.doce        39.7   365        2.04     4           9.2
 5 C.sardinella A.doce        33.4   221        2.18     5           9.4
 6 C.sardinella A.doce        29.1   204        2.15     7           9.4
 7 C.sardinella A.doce        36.7   256        2.16     5.5         9.7
 8 C.sardinella A.doce        11.0   135        1.91     2           9.7
 9 C.sardinella A.doce        20.3   180        2.05     5           9.4
10 C.sardinella A.doce        16.8   129        2.11     7.5         9.2
11 C.sardinella A.doce        25.3   129        2.29     7           9.2

# Filtro condicionar. Aplicado apenas em variáveis numéricas
# A função all_vars retorna registros apenas se todos são verdadeiros
dados %>% filter_if(is.numeric, all_vars(. > 2.3))
# A tibble: 7 x 7
  Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
  <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
1 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
2 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
3 C.sardinella Marinho       45.6   225        2.31     6          10.3
4 C.sardinella Marinho       35.7   174        2.31     6           8.9
5 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
6 C.sardinella Marinho       31.5   104        2.48     5           9.4
7 C.sardinella A.doce        37.4   183        2.31    10          10.6

# Fitro selecitivo. Aplicado apenas nas variáveis selecionadoas pela função var
# A função any_vars retorna registro se algum for verdadeiro
dados %>% filter_at(vars(Temperatura, Rotacao), any_vars(. == 0))
# A tibble: 5 x 7
  Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
  <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
1 C.sardinella Marinho       38.9   320        2.08       0         6.7
2 C.sardinella Marinho       33.5   143        2.37       0         9.4
3 C.autumnalis Marinho       36.9   157        2.37       0         7.2
4 C.autumnalis Marinho       13.5   124        2.04       0         7.2
5 C.autumnalis Marinho       24.6   130        2.28       0         6.7

Filtrar (extrar) aleatoriamente

As funções sample_n() e sample_frac() permitem filtrar/amostrar linhas aleatoriamente, enquanto que a função top_n() permite extrair os registros de acordo com os maiores valores de uma determinada variável.

select() e rename() - Selecionar e renomear colunas

A função select() permite selecionar colunas/variáveis das tabelas com base nos nomes ou posição das colunas. A função pull() permite a seleção de uma variável já transformando em um vetor e a função rename() renomerar as colunas.

pull() - Selecionar coluna e retornar um vetor

select() - Selecionar coluna

# Selecionar variáveis usando posição...
dados %>% select(1:3)
# A tibble: 26 x 3
   Especie      Ambiente ConsumoO2
   <chr>        <fct>        <dbl>
 1 C.sardinella Marinho       38.9
 2 C.sardinella Marinho       24.9
 3 C.sardinella Marinho       29.3
 4 C.sardinella Marinho       45.6
 5 C.sardinella Marinho       35.7
 6 C.sardinella Marinho       39.0
 7 C.sardinella Marinho       33.5
 8 C.sardinella Marinho       31.5
 9 C.sardinella A.doce        20.2
10 C.sardinella A.doce        39.7
# … with 16 more rows

# ... não é nescessário concatenar
dados %>% select(1, 3)
# A tibble: 26 x 2
   Especie      ConsumoO2
   <chr>            <dbl>
 1 C.sardinella      38.9
 2 C.sardinella      24.9
 3 C.sardinella      29.3
 4 C.sardinella      45.6
 5 C.sardinella      35.7
 6 C.sardinella      39.0
 7 C.sardinella      33.5
 8 C.sardinella      31.5
 9 C.sardinella      20.2
10 C.sardinella      39.7
# … with 16 more rows

# Selecionar usando nomes...
dados %>% select(Ambiente, Massa)
# A tibble: 26 x 2
   Ambiente Massa
   <fct>    <int>
 1 Marinho    320
 2 Marinho    109
 3 Marinho    143
 4 Marinho    225
 5 Marinho    174
 6 Marinho    188
 7 Marinho    143
 8 Marinho    104
 9 A.doce     138
10 A.doce     365
# … with 16 more rows

# ... ou sequências em nomes
dados %>% select(Ambiente:Massa)
# A tibble: 26 x 3
   Ambiente ConsumoO2 Massa
   <fct>        <dbl> <int>
 1 Marinho       38.9   320
 2 Marinho       24.9   109
 3 Marinho       29.3   143
 4 Marinho       45.6   225
 5 Marinho       35.7   174
 6 Marinho       39.0   188
 7 Marinho       33.5   143
 8 Marinho       31.5   104
 9 A.doce        20.2   138
10 A.doce        39.7   365
# … with 16 more rows

# Remover variáveis
dados %>% select(-Especie, - Ambiente)
# A tibble: 26 x 5
   ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
       <dbl> <int>       <dbl>   <dbl>       <dbl>
 1      38.9   320        2.08     0           6.7
 2      24.9   109        2.36    12.5        10.8
 3      29.3   143        2.31     4.5        10.3
 4      45.6   225        2.31     6          10.3
 5      35.7   174        2.31     6           8.9
 6      39.0   188        2.32     3.5         8.9
 7      33.5   143        2.37     0           9.4
 8      31.5   104        2.48     5           9.4
 9      20.2   138        2.16     1           9.2
10      39.7   365        2.04     4           9.2
# … with 16 more rows

# Selecionar usando critérios nos nomes. Variáveis que começam com "A"...
dados %>% select(starts_with("A"))
# A tibble: 26 x 1
   Ambiente
   <fct>   
 1 Marinho 
 2 Marinho 
 3 Marinho 
 4 Marinho 
 5 Marinho 
 6 Marinho 
 7 Marinho 
 8 Marinho 
 9 A.doce  
10 A.doce  
# … with 16 more rows

# ... ou que conhenham "a" ...
dados %>% select(contains("a"))
# A tibble: 26 x 4
   Ambiente Massa Rotacao Temperatura
   <fct>    <int>   <dbl>       <dbl>
 1 Marinho    320     0           6.7
 2 Marinho    109    12.5        10.8
 3 Marinho    143     4.5        10.3
 4 Marinho    225     6          10.3
 5 Marinho    174     6           8.9
 6 Marinho    188     3.5         8.9
 7 Marinho    143     0           9.4
 8 Marinho    104     5           9.4
 9 A.doce     138     1           9.2
10 A.doce     365     4           9.2
# … with 16 more rows

# ... ou que contenham o termo "O2" ...
dados %>% select(matches("O2"))
# A tibble: 26 x 2
   ConsumoO2 ConsumoO2kg
       <dbl>       <dbl>
 1      38.9        2.08
 2      24.9        2.36
 3      29.3        2.31
 4      45.6        2.31
 5      35.7        2.31
 6      39.0        2.32
 7      33.5        2.37
 8      31.5        2.48
 9      20.2        2.16
10      39.7        2.04
# … with 16 more rows

rename() - Renomear colunas

# Renomear variável, na forma novo_name = name_antigo
dados %>% rename(Massa_g = Massa)
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa_g ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl>   <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9     320        2.08     0           6.7
 2 C.sardinella Marinho       24.9     109        2.36    12.5        10.8
 3 C.sardinella Marinho       29.3     143        2.31     4.5        10.3
 4 C.sardinella Marinho       45.6     225        2.31     6          10.3
 5 C.sardinella Marinho       35.7     174        2.31     6           8.9
 6 C.sardinella Marinho       39.0     188        2.32     3.5         8.9
 7 C.sardinella Marinho       33.5     143        2.37     0           9.4
 8 C.sardinella Marinho       31.5     104        2.48     5           9.4
 9 C.sardinella A.doce        20.2     138        2.16     1           9.2
10 C.sardinella A.doce        39.7     365        2.04     4           9.2
# … with 16 more rows

# Renomear todas as variáveis...
dados %>% rename_all(paste0, "_Coregonus")
# A tibble: 26 x 7
   Especie_Coregon… Ambiente_Corego… ConsumoO2_Coreg… Massa_Coregonus ConsumoO2kg_Cor…
   <chr>            <fct>                       <dbl>           <int>            <dbl>
 1 C.sardinella     Marinho                      38.9             320             2.08
 2 C.sardinella     Marinho                      24.9             109             2.36
 3 C.sardinella     Marinho                      29.3             143             2.31
 4 C.sardinella     Marinho                      45.6             225             2.31
 5 C.sardinella     Marinho                      35.7             174             2.31
 6 C.sardinella     Marinho                      39.0             188             2.32
 7 C.sardinella     Marinho                      33.5             143             2.37
 8 C.sardinella     Marinho                      31.5             104             2.48
 9 C.sardinella     A.doce                       20.2             138             2.16
10 C.sardinella     A.doce                       39.7             365             2.04
# … with 16 more rows, and 2 more variables: Rotacao_Coregonus <dbl>,
#   Temperatura_Coregonus <dbl>

# ... ou estão renomear variáveis de maneira condicional
dados %>% rename_if(is.factor, paste0, "_Factor")
# A tibble: 26 x 7
   Especie      Ambiente_Factor ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>               <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho              38.9   320        2.08     0           6.7
 2 C.sardinella Marinho              24.9   109        2.36    12.5        10.8
 3 C.sardinella Marinho              29.3   143        2.31     4.5        10.3
 4 C.sardinella Marinho              45.6   225        2.31     6          10.3
 5 C.sardinella Marinho              35.7   174        2.31     6           8.9
 6 C.sardinella Marinho              39.0   188        2.32     3.5         8.9
 7 C.sardinella Marinho              33.5   143        2.37     0           9.4
 8 C.sardinella Marinho              31.5   104        2.48     5           9.4
 9 C.sardinella A.doce               20.2   138        2.16     1           9.2
10 C.sardinella A.doce               39.7   365        2.04     4           9.2
# … with 16 more rows

mutate() e transmute() - Criar novas colunas

As funções mutate() e transmute() permitem adicionar novas variáveis que são funções das variáveis existentes, ou seja, as funções aplicadas retornam vetores. A principal diferença entre elas é que a função mutate() mantém a tabela de entrada e gera novas colunas, enquanto que, a função transmute() gera novas colunas excluíndo o restante das colunas.

mutate() - Criar novas colunas

# Gerar nova coluna com valores iguais
dados %>% mutate(Nova = 12)
# A tibble: 26 x 8
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura  Nova
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl> <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7    12
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8    12
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3    12
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3    12
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9    12
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9    12
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4    12
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4    12
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2    12
10 C.sardinella A.doce        39.7   365        2.04     4           9.2    12
# … with 16 more rows

# Gerar nova coluna com log da variável Massa
dados %>% mutate(MassaLog = log(Massa))
# A tibble: 26 x 8
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura MassaLog
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>    <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7     5.77
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8     4.69
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3     4.96
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3     5.42
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9     5.16
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9     5.24
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4     4.96
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4     4.64
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2     4.93
10 C.sardinella A.doce        39.7   365        2.04     4           9.2     5.90
# … with 16 more rows

# Gerar nova coluna substituindo a variável original
dados %>% mutate(Ambiente = ifelse(Ambiente=="Marinho", yes = "M", no = "D"))
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <chr>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella M             38.9   320        2.08     0           6.7
 2 C.sardinella M             24.9   109        2.36    12.5        10.8
 3 C.sardinella M             29.3   143        2.31     4.5        10.3
 4 C.sardinella M             45.6   225        2.31     6          10.3
 5 C.sardinella M             35.7   174        2.31     6           8.9
 6 C.sardinella M             39.0   188        2.32     3.5         8.9
 7 C.sardinella M             33.5   143        2.37     0           9.4
 8 C.sardinella M             31.5   104        2.48     5           9.4
 9 C.sardinella D             20.2   138        2.16     1           9.2
10 C.sardinella D             39.7   365        2.04     4           9.2
# … with 16 more rows

# Transformar todas variáveis numéricas
dados %>% mutate_if(is.numeric, log)
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <dbl>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       3.66  5.77       0.734 -Inf           1.90
 2 C.sardinella Marinho       3.21  4.69       0.858    2.53        2.38
 3 C.sardinella Marinho       3.38  4.96       0.838    1.50        2.33
 4 C.sardinella Marinho       3.82  5.42       0.836    1.79        2.33
 5 C.sardinella Marinho       3.57  5.16       0.838    1.79        2.19
 6 C.sardinella Marinho       3.66  5.24       0.840    1.25        2.19
 7 C.sardinella Marinho       3.51  4.96       0.863 -Inf           2.24
 8 C.sardinella Marinho       3.45  4.64       0.909    1.61        2.24
 9 C.sardinella A.doce        3.01  4.93       0.772    0           2.22
10 C.sardinella A.doce        3.68  5.90       0.711    1.39        2.22
# … with 16 more rows

# Especificar qual variável transformar...
dados %>% mutate_at(vars(Massa, ConsumoO2), log)
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <dbl>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       3.66  5.77        2.08     0           6.7
 2 C.sardinella Marinho       3.21  4.69        2.36    12.5        10.8
 3 C.sardinella Marinho       3.38  4.96        2.31     4.5        10.3
 4 C.sardinella Marinho       3.82  5.42        2.31     6          10.3
 5 C.sardinella Marinho       3.57  5.16        2.31     6           8.9
 6 C.sardinella Marinho       3.66  5.24        2.32     3.5         8.9
 7 C.sardinella Marinho       3.51  4.96        2.37     0           9.4
 8 C.sardinella Marinho       3.45  4.64        2.48     5           9.4
 9 C.sardinella A.doce        3.01  4.93        2.16     1           9.2
10 C.sardinella A.doce        3.68  5.90        2.04     4           9.2
# … with 16 more rows

# ... ou buscar quais variáveis transformar
dados %>% mutate_at(vars(contains("O2")), log)
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       3.66   320       0.734     0           6.7
 2 C.sardinella Marinho       3.21   109       0.858    12.5        10.8
 3 C.sardinella Marinho       3.38   143       0.838     4.5        10.3
 4 C.sardinella Marinho       3.82   225       0.836     6          10.3
 5 C.sardinella Marinho       3.57   174       0.838     6           8.9
 6 C.sardinella Marinho       3.66   188       0.840     3.5         8.9
 7 C.sardinella Marinho       3.51   143       0.863     0           9.4
 8 C.sardinella Marinho       3.45   104       0.909     5           9.4
 9 C.sardinella A.doce        3.01   138       0.772     1           9.2
10 C.sardinella A.doce        3.68   365       0.711     4           9.2
# … with 16 more rows

transmute() - Criar novas colunas excluíndo o restante

arrange() - Altera a ordem das linhas

As função arrange() e a função auxiliar desc() são usadas para ordenar as tabelas de dados em função de uma ou mais variáveis.

# Ordenar de maneira crescente ...
dados %>% arrange(Temperatura)
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7
 2 C.autumnalis Marinho       24.6   130        2.28     0           6.7
 3 C.autumnalis Marinho       36.9   157        2.37     0           7.2
 4 C.autumnalis Marinho       13.5   124        2.04     0           7.2
 5 C.autumnalis Marinho       32.3   234        2.14     5           7.2
 6 C.sardinella A.doce        41.6   362        2.06     5           8.3
 7 C.sardinella Marinho       35.7   174        2.31     6           8.9
 8 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 9 C.sardinella A.doce        27.9   231        2.08     3           8.9
10 C.sardinella A.doce        30.5   216        2.15     2.5         8.9
# … with 16 more rows

# ... ou ordenar de maneira descrecente
dados %>% arrange(desc(ConsumoO2))
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       45.6   225        2.31     6          10.3
 2 C.sardinella A.doce        41.6   362        2.06     5           8.3
 3 C.sardinella A.doce        39.7   365        2.04     4           9.2
 4 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 5 C.sardinella Marinho       38.9   320        2.08     0           6.7
 6 C.sardinella A.doce        37.4   183        2.31    10          10.6
 7 C.autumnalis Marinho       36.9   157        2.37     0           7.2
 8 C.sardinella A.doce        36.7   256        2.16     5.5         9.7
 9 C.sardinella Marinho       35.7   174        2.31     6           8.9
10 C.sardinella Marinho       33.5   143        2.37     0           9.4
# … with 16 more rows

# Ordenar combinando mais de um critério
dados %>% arrange(Ambiente, desc(Temperatura))
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella A.doce        25.8   140        2.27     8          10.8
 2 C.sardinella A.doce        37.4   183        2.31    10          10.6
 3 C.sardinella A.doce        36.7   256        2.16     5.5         9.7
 4 C.sardinella A.doce        11.0   135        1.91     2           9.7
 5 C.sardinella A.doce        33.4   221        2.18     5           9.4
 6 C.sardinella A.doce        29.1   204        2.15     7           9.4
 7 C.sardinella A.doce        20.3   180        2.05     5           9.4
 8 C.sardinella A.doce        20.2   138        2.16     1           9.2
 9 C.sardinella A.doce        39.7   365        2.04     4           9.2
10 C.sardinella A.doce        16.8   129        2.11     7.5         9.2
# … with 16 more rows

group_by() - Agrupar linhas

A função group_by() permite agrupar linhas/obervações/registros das tabelas em grupos definidos por outras variáveis. A função retorna objeto que pertencem simultaneamente as classes “grouped_df”, “tbl_df” e “data.frame”, e estes, podem ser utilizados para aplicar funções por grupos. A função ungroup() permite remover um agrupamento prévio.

# Agrupar observações pela variável Especie
dados %>% group_by(Especie)
# A tibble: 26 x 7
# Groups:   Especie [2]
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2
10 C.sardinella A.doce        39.7   365        2.04     4           9.2
# … with 16 more rows

# Agrupar observações com mais de uma variável
dados %>% group_by(Ambiente, Especie)
# A tibble: 26 x 7
# Groups:   Ambiente, Especie [3]
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2
10 C.sardinella A.doce        39.7   365        2.04     4           9.2
# … with 16 more rows

# Desagrupar
dados %>% group_by(Especie) %>% ungroup()
# A tibble: 26 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2
10 C.sardinella A.doce        39.7   365        2.04     4           9.2
# … with 16 more rows

summarize() - Obter estatísticas descritivas

A função summarise() permite calcular estatísticas nas variáveis, reduzindo assim vários valores de um vetor em um único valor de estátistica descritiva.

Agrupar linha e colunas

O pacote dplyr também reimplementa as funções básicas para agrupar linhas e colunas aos data.frame. A função add_row adiciona linhas usando o nome das variáveis e as função bind_rows e bind_cols agrupam linhas e colunas respectivamente.

# Adicionar registro usando nomes de algumas variáveis
# Note que as variáveis não especificadas são atributidas como NAs
dados %>% add_row(Especie = "C.autumnalis", Ambiente = "Marinho", Massa = 200)
# A tibble: 27 x 7
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura
   <chr>        <chr>        <dbl> <dbl>       <dbl>   <dbl>       <dbl>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2
10 C.sardinella A.doce        39.7   365        2.04     4           9.2
# … with 17 more rows

# Dados de exemplo para adicionar a tabela
Sequencia <- data.frame(Seq = seq_len(nrow(dados)))
# Note que esse comando abaixo já atribui o resultado ao objeto original
Sequencia %<>% as.tbl()
Sequencia
# A tibble: 26 x 1
     Seq
   <int>
 1     1
 2     2
 3     3
 4     4
 5     5
 6     6
 7     7
 8     8
 9     9
10    10
# … with 16 more rows

# Agrupar colunas
dados %>% bind_cols(Sequencia)
# A tibble: 26 x 8
   Especie      Ambiente ConsumoO2 Massa ConsumoO2kg Rotacao Temperatura   Seq
   <chr>        <fct>        <dbl> <int>       <dbl>   <dbl>       <dbl> <int>
 1 C.sardinella Marinho       38.9   320        2.08     0           6.7     1
 2 C.sardinella Marinho       24.9   109        2.36    12.5        10.8     2
 3 C.sardinella Marinho       29.3   143        2.31     4.5        10.3     3
 4 C.sardinella Marinho       45.6   225        2.31     6          10.3     4
 5 C.sardinella Marinho       35.7   174        2.31     6           8.9     5
 6 C.sardinella Marinho       39.0   188        2.32     3.5         8.9     6
 7 C.sardinella Marinho       33.5   143        2.37     0           9.4     7
 8 C.sardinella Marinho       31.5   104        2.48     5           9.4     8
 9 C.sardinella A.doce        20.2   138        2.16     1           9.2     9
10 C.sardinella A.doce        39.7   365        2.04     4           9.2    10
# … with 16 more rows

Combinar várias funções e salvar objetos

No processamento de dados é comum combinar várias funções em sequência. Usando as funções do pacote dplyr junto com o operador pipe é possível combinar as etapas do processamento de dados de uma maneira simplificada. Por exemplo, usando as funções filter e select é possível selecionar linhas e colunas em um única etapa, as funções group_by e summarise podem ser combinadas para calcular estatísticas para grupos, e ainda usando as funções group_by e mutate é possivel gerar novas variáveis calculadas por grupos. Alguns exemplos:

# Selecionar apenas as variáveis Especie, Massa e ConsumoO2, aplicar log ...
# ... e então renomear variáveis numéricas
dados %>%
    select(Especie, Massa, ConsumoO2) %>%
    mutate_if(is.numeric, log, base = 2) %>% 
    rename_if(is.numeric, paste0, "_log")
# A tibble: 26 x 3
   Especie      Massa_log ConsumoO2_log
   <chr>            <dbl>         <dbl>
 1 C.sardinella      8.32          5.28
 2 C.sardinella      6.77          4.64
 3 C.sardinella      7.16          4.87
 4 C.sardinella      7.81          5.51
 5 C.sardinella      7.44          5.16
 6 C.sardinella      7.55          5.28
 7 C.sardinella      7.16          5.07
 8 C.sardinella      6.70          4.98
 9 C.sardinella      7.11          4.34
10 C.sardinella      8.51          5.31
# … with 16 more rows

# Agrupar por Especie, e então, calcular média e número de obervações por grupo
dados %>%
    group_by(Especie) %>%
    summarise(mean(Rotacao), n())
# A tibble: 2 x 3
  Especie      `mean(Rotacao)` `n()`
  <chr>                  <dbl> <int>
1 C.autumnalis            1.25     4
2 C.sardinella            5       22

# Remover algumas variáveis, agrupar por Ambiente...
# ... e então calcular a rotação média por ambiente
# Note que a variável RotacaoMediaPorAmbiente é um vetor calculado por ambiente
dados %>%
    select(-ConsumoO2, -ConsumoO2kg, -Massa) %>% 
    group_by(Ambiente) %>%
    mutate(RotacaoMediaPorAmbiente = mean(Rotacao))
# A tibble: 26 x 5
# Groups:   Ambiente [2]
   Especie      Ambiente Rotacao Temperatura RotacaoMediaPorAmbiente
   <chr>        <fct>      <dbl>       <dbl>                   <dbl>
 1 C.sardinella Marinho      0           6.7                    3.54
 2 C.sardinella Marinho     12.5        10.8                    3.54
 3 C.sardinella Marinho      4.5        10.3                    3.54
 4 C.sardinella Marinho      6          10.3                    3.54
 5 C.sardinella Marinho      6           8.9                    3.54
 6 C.sardinella Marinho      3.5         8.9                    3.54
 7 C.sardinella Marinho      0           9.4                    3.54
 8 C.sardinella Marinho      5           9.4                    3.54
 9 C.sardinella A.doce       1           9.2                    5.18
10 C.sardinella A.doce       4           9.2                    5.18
# … with 16 more rows

# Filtrar apenas espécie C.sardinella, remover algumas variáveis, agrupar por Ambiente...
# ... e então calcular temperatura média por ambiente e desvio da temperatura média
dados %>%
    filter(Especie == "C.sardinella") %>% 
    select(-ConsumoO2kg, -Rotacao, - Massa) %>% 
    group_by(Ambiente) %>%
    mutate(TemperaturaMedia = mean(Temperatura)) %>%
    mutate(DesvioTemperatura = Temperatura-TemperaturaMedia)
# A tibble: 22 x 6
# Groups:   Ambiente [2]
   Especie      Ambiente ConsumoO2 Temperatura TemperaturaMedia DesvioTemperatura
   <chr>        <fct>        <dbl>       <dbl>            <dbl>             <dbl>
 1 C.sardinella Marinho       38.9         6.7             9.34           -2.64  
 2 C.sardinella Marinho       24.9        10.8             9.34            1.46  
 3 C.sardinella Marinho       29.3        10.3             9.34            0.963 
 4 C.sardinella Marinho       45.6        10.3             9.34            0.963 
 5 C.sardinella Marinho       35.7         8.9             9.34           -0.438 
 6 C.sardinella Marinho       39.0         8.9             9.34           -0.438 
 7 C.sardinella Marinho       33.5         9.4             9.34            0.0625
 8 C.sardinella Marinho       31.5         9.4             9.34            0.0625
 9 C.sardinella A.doce        20.2         9.2             9.42           -0.221 
10 C.sardinella A.doce        39.7         9.2             9.42           -0.221 
# … with 12 more rows

# Note que em todos os exemplos desse tutorial o objeto dados são foi alterado...
# ... então ainda é preciso salvar os objetos depois do precessamento
dados_processados <- dados %>%
    filter(Especie == "C.sardinella") %>% 
    select(-ConsumoO2kg, -Rotacao, - Massa) %>% 
    group_by(Ambiente) %>%
    mutate(TemperaturaMedia = mean(Temperatura)) %>%
    mutate(DesvioTemperatura = Temperatura-TemperaturaMedia) %>% 
    as.data.frame()

# Visualizar o resultado do processamento
dados_processados
        Especie Ambiente ConsumoO2 Temperatura TemperaturaMedia DesvioTemperatura
1  C.sardinella  Marinho    38.868         6.7         9.337500       -2.63750000
2  C.sardinella  Marinho    24.882        10.8         9.337500        1.46250000
3  C.sardinella  Marinho    29.292        10.3         9.337500        0.96250000
4  C.sardinella  Marinho    45.618        10.3         9.337500        0.96250000
5  C.sardinella  Marinho    35.694         8.9         9.337500       -0.43750000
6  C.sardinella  Marinho    38.976         8.9         9.337500       -0.43750000
7  C.sardinella  Marinho    33.498         9.4         9.337500        0.06250000
8  C.sardinella  Marinho    31.524         9.4         9.337500        0.06250000
9  C.sardinella   A.doce    20.196         9.2         9.421429       -0.22142857
10 C.sardinella   A.doce    39.690         9.2         9.421429       -0.22142857
11 C.sardinella   A.doce    25.812        10.8         9.421429        1.37857143
12 C.sardinella   A.doce    37.404        10.6         9.421429        1.17857143
13 C.sardinella   A.doce    33.396         9.4         9.421429       -0.02142857
14 C.sardinella   A.doce    29.100         9.4         9.421429       -0.02142857
15 C.sardinella   A.doce    36.654         9.7         9.421429        0.27857143
16 C.sardinella   A.doce    11.016         9.7         9.421429        0.27857143
17 C.sardinella   A.doce    20.340         9.4         9.421429       -0.02142857
18 C.sardinella   A.doce    41.616         8.3         9.421429       -1.12142857
19 C.sardinella   A.doce    27.858         8.9         9.421429       -0.52142857
20 C.sardinella   A.doce    30.546         8.9         9.421429       -0.52142857
21 C.sardinella   A.doce    16.758         9.2         9.421429       -0.22142857
22 C.sardinella   A.doce    25.320         9.2         9.421429       -0.22142857

Guia de ajuda rápida

# Operadores
%>% - Encadeamento (pipe)
%$% - Selecionar variáveis pelo nome
%<>% - Atribur diretamente
%T>% - Abrir braço no fluxo de encadeamento

# Tabelas tibble
as.tbl - Converter dada.frame em tbl_df
as.data.frame - Converte para data.frame

# Selecionar variáveis
vars - Selecionar/excluir variáveis pelo mome ou posição
starts_with - Selecionar variáveis cujo nome começam com um termo
ends_with - Selecionar variáveis cujo nome terminam com um termo
contains - Selecionar variáveis cujo nome contenham um termo
matches - Selecionar variáveis correspondem com uma expressão
num_range - Selecionar variáveis que correspondam a um intervalo numérico

# Funções principais
slice - Filtrar linhas usando posição
filter - Filtrar linhas com base em seus valores
select - Selecionar variáveis com base em seus nomes
pull - Selecionar variável e retornar vetor
rename - Remomear variáveis
mutate - Adicionar novas variáveis que são funções de variáveis existentes
transmute - Gerar novas variáveis excluíndo o restante das variáveis
arrange - Alterar a ordem das linhas
desc - Alterar a ordem das linhas de maneira decrescente
group_by - Agrupar linhas para aplicar funções por grupos
ungroup - Remover um agrupamento prévio
summarise - Reduzir vários valores para em estátisticas descritivas
add_row - Adicionar linhas usando o nome das variáveis
bind_rows - Agrupar linhas
bind_cols - Agrupar colunas

# Variações das funções
_all - Aplicar ou forçar a aplicação em todas as variáveis da tabela
_if - Aplicar as funções condicionada as variáveis
_at - Aplicar as funções a variáveis selecionadas

# Funções auxiliares
n - Contar número de observações
n_distinct - Contar número de observações únicas
recode - Recodificar character
recode_factor - Recodificar fatores
sample_n - Extrair n linhas aleatoriamete
sample_frac - Extrair proporção de linhas aleatoriamete
top_n - Extrair n linhas do maiores valores de determinada variável
between - Teste lógico. Valores pertencente a intervalo
near - Teste lógico. Comparar valores com tolerância
all_vars - Teste lógico em todas as variáveis. Aplicando intersecção dos resultados
any_vars - Teste lógico em todas as variáveis. Aplicando união do resultados

Conclusão

O objetivo deste texto foi apenas apresentar as funções básicas usadas no processamento de dados usando os pacotes magrittr e dplyr. Espero que este texto tenha sido útil e, por favor, avise-me se tiver dúvidas ou sugestões sobre este texto.

Mais informações

Outros textos e tutoriais sobre R podem ser encontrados em https://vanderleidebastiani.github.io/tutoriais.

Referências

  • Bache, Stefan M.; Wickham, Hadley; 2014. magrittr: A Forward-Pipe Operator for R.

  • Müller, Kirill; Wickham, Hadley; 2020. tibble: Simple Data Frames.

  • R Core Team; 2018. R Language Definition. https://cran.r-project.org/doc/manuals/R-lang.html

  • Tidyverse; 2020. R packages for data science. www.tidyverse.org

  • Wickham, Hadley; François, Romain; Henry, Lionel; Müller, Kirill; 2020. dplyr: A Grammar of Data Manipulation.

  • Wohlshag, Donald E.; 1957. Differences in Metabolic Rates of Migratory and Resident Freshwater Forms of an Arctic Whitefish. Ecology, Vol. 38, pp.502-510